BLAZE：极速隐私保护机器学习
密码学与安全
2020-05-20 v1 机器学习
摘要
机器学习工具已在医疗和金融等许多重要领域展现出其潜力，助力推导有用的推断。此类领域中数据的敏感与机密性质引发了对数据隐私的自然担忧。这催生了隐私保护机器学习（PPML）领域，其保障数据隐私。通常，ML 技术需要大量算力，导致基础设施有限的客户端依赖安全外包计算（SOC）方法。在 SOC 设定中，计算被外包给一组专业且强大的云服务器，并按使用付费提供服务。在本工作中，我们探索了 SOC 设定下针对广泛使用的 ML 算法——线性回归、逻辑回归和神经网络——的 PPML 技术。我们提出了 BLAZE，一个在三服务器设定下容忍一个恶意损坏、基于环（\Z{\ell}）的极速 PPML 框架。BLAZE 实现了更强的安全性保证——公平性（每当损坏服务器获得输出时，所有诚实服务器均获得输出）。借助与输入无关的前处理阶段，BLAZE 拥有快速的依赖输入的在线阶段，其依赖于高效的 PPML 原语，例如：（i）点积协议，其在线阶段通信量与向量大小无关，为三服务器设定下首例；（ii）一种截断方法，避免求值昂贵的纹波进位加法器（RCA）电路并实现常数轮复杂度。这改进了 ABY3（Mohassel 等人，CCS 2018）使用 RCA 且消耗与 RCA 深度同阶轮复杂度的截断方法。在 WAN 和 LAN 设定下，针对前述 ML 算法在 64 位环上对 BLAZE 的广泛基准测试显示其相较 ABY3 有大幅提升。
引用
@article{arxiv.2005.09042,
title = {BLAZE: Blazing Fast Privacy-Preserving Machine Learning},
author = {Arpita Patra and Ajith Suresh},
journal= {arXiv preprint arXiv:2005.09042},
year = {2020}
}
备注
The Network and Distributed System Security Symposium (NDSS) 2020